VMMFNet:一种轻量级双分支多光谱融合网络,用于松树枯萎病的多阶段检测
《Computers and Electronics in Agriculture》:VMMFNet: a lightweight dual-branch multispectral fusion network for multi-stage detection of pine wilt disease
【字体:
大
中
小
】
时间:2026年07月23日
来源:Computers and Electronics in Agriculture 10.3
编辑推荐:
•PWN接种实验明确了RedEdge、NIR和NDVI这些敏感的特征。•为多阶段PWD检测,构建了基于无人机可见光-多光谱的数据集。•VMMFNet能够实现结构特征与光谱特征的轻量级双分支融合。•MSAA和HLAF技术可增强复杂森林背景下的弱PWD信号识别能力。•四尺度P2–P5
•PWN接种实验明确了RedEdge、NIR和NDVI这些敏感的特征。•为多阶段PWD检测,构建了基于无人机可见光-多光谱的数据集。•VMMFNet能够实现结构特征与光谱特征的轻量级双分支融合。•MSAA和HLAF技术可增强复杂森林背景下的弱PWD信号识别能力。•四尺度P2–P5检测头有助于发现从微小到较大的受感染树冠。
引言
松树萎蔫病是由松材线虫(PWN),即Bursaphelenchus xylophilus(Steiner & Buhrer)Nickle所引发的疾病(Kim等人,2020年)。该病的主要寄主为松属植物。每年4月至7月,传播媒介昆虫Monochamus alternatus Hope进入活跃期并补充能量(Wang等人,2021年)。在此期间,松材线虫会利用松树甲虫在树上造成的伤口侵入嫩枝。随后,松材线虫可从患病且死亡的松树中存活下来,并通过传播昆虫扩散到健康的松树中,从而引发疾病的蔓延(Li等人,2020年)。松树萎蔫病起源于北美(Ikegami和Jenkins,2018年),但现在已出现在世界许多地区,其中东亚地区的疫情最为严重。中国最早的病例记录于1982年的南京,至今,该病已成为中国最具破坏性的松树疾病(Zhao等人,2024年)。在松树萎蔫病管理中,及时识别处于不同病程阶段的受感染树木对于早期预警、现场核实、选择性砍伐规划以及控制疾病传播至关重要。尤其是,在树冠完全死亡之前就能发现受感染树木,相比传统的死树调查,能提供更早的干预时机(Chen和Li,2024年)。
目前的松树萎蔫病检测方法已逐渐从人工调查和卫星遥感(Mantas等人,2022年)转向基于无人机的高分辨率影像技术(Park等人,2016年)。无人机平台提升了空间分辨率,便于对单株树木进行观测,但许多深度学习方法仍然主要依赖可见光(RGB)图像(Fassnacht等人,2016年,Li和Huang,2022年)。基于CNN的检测器,如Faster R-CNN(Deng等人,2020年)以及改进版的YOLO架构(Li等人,2023年,Wang等人,2024a年),可以通过学习颜色、纹理和结构特征来识别树冠有明显变色现象的受感染树木(Du等人,2024年)。然而,当患病树冠尚未出现明显的可见症状时,仅依靠RGB模型效果有限,因为这类树冠可能看起来与健康植被相似,且容易受到光照、阴影以及复杂背景纹理的影响。因此,仅靠可见光影像不足以实现可靠的、能识别不同病程阶段的松树萎蔫病检测,这就凸显出需要引入多光谱信息的重要性,因为多光谱信息能够捕捉到表面外观之外的与疾病相关的生理变化。
引入多光谱信息可以通过捕捉超出可见纹理范围的生理反应,提高松树萎蔫病检测的灵敏度,尤其是在树冠变色较轻微、在RGB图像中难以区分的情况下。因此,基于无人机的全光谱影像已成为实现早期且能识别不同病程阶段松树萎蔫病监测的重要方向。以往的研究已经探索了多波段或高光谱检测框架。例如,Qin等人(2021年)提出了空间上下文注意力网络(SCANet),以减少多波段图像中的空间信息损失;而Li等人(2023年)则开发了高光谱Mask R-CNN框架,在早期感染识别方面取得了74.89%的准确率。不过,仅依靠原始光谱带可能无法充分反映由松树萎蔫病引起的细微生理变化,比如水分流失和叶绿素降解(Kim等人,2018年)。因此,人们引入了植被指数(VIs),因为它能提供更直观的植物生理状态指标,从而有助于更好地表现与疾病相关的特征。Kim等人(2018年)证明了GRSAI等指数的有效性;Jung和Park(2019年)则将NDVI阈值处理与深度学习相结合,使得mAP@0.5值达到了86.6%。最近,Xu等人(2024年)通过在YOLOv8中加入ODConv以及可见光-多光谱融合技术,提升了检测性能。这些研究都表明,多光谱影像以及基于植被指数的特征可以通过提供超出可见纹理范围的生理信息,提高松树萎蔫病检测的准确性,同时减少误报和漏检情况。不过,目前有效光谱带和植被指数的选择往往还是基于经验,而且还需要通过控制疾病发展过程来获得更有力的生理学依据,以便确定哪些输入数据最适合作为用于识别不同病程阶段的松树萎蔫病的依据。此外,许多现有方法采用早期融合策略,即在将RGB通道和多光谱通道直接在输入数据层面拼接后,再将其送入单流式主干网络中。虽然这种策略较为简单,但它可能会过早地将可见纹理信息与多光谱生理反应混合在一起。这样一来,强烈的RGB纹理和背景图案可能会主导浅层特征提取过程,从而削弱那些细微的、与疾病相关的光谱特征,尤其是在疾病早期症状还无法通过视觉明显察觉时。
为减少这种干扰,人们越来越多地探索双分支可见光-多光谱检测框架,以便分别对来自不同光谱源的信息进行编码处理(Chen等人,2026年,Kumar,2025年,Wang等人,2025年,Xiong等人,2026年)。在松树萎蔫病监测中,可见光影像可以提供树冠的纹理、颜色以及结构细节,而多光谱数据则能反映与叶绿素降解、水分流失以及树冠衰退相关的生理压力反应。通过让两个独立的分支分别处理这两类信息,双分支模型能够减少以纹理为主的RGB特征与与生理相关的多光谱特征之间的竞争,进而提升与疾病相关的特征表达能力(Hao等人,2025年,Kim等人,2022年,Ouyang等人,2024年,Wang等人,2022a年)。近期在林业应用场景中使用的RGB-红外或可见光-多光谱数据集进一步证明了此类融合策略在复杂树冠环境下的应用潜力(Hou等人,2024年,Wang等人,2024c年)。不过,由于双分支架构涉及两个特征提取流程,如果使用运算强度较高的主干网络或复杂的融合模块,可能会增加计算负担,从而影响其在实时无人机监测以及边缘设备部署中的适用性。另外,在松树萎蔫病早期感染阶段,症状可能仅出现在单个枝条顶端或树冠的少数局部区域,因此在无人机拍摄的图像中表现为规模较小且信号较弱的目标。传统的三尺度检测结构通常对这类局部症状的敏感度较低,而简单的特征金字塔融合技术在将浅层空间细节与深层语义信息结合时,还可能引入背景噪声。因此,一个有效的松树萎蔫病检测模型应当采用轻量级的双分支特征提取方式,在控制模型复杂度的同时保留微弱的多光谱疾病特征,进而通过多尺度融合和高分辨率预测,提升对小型症状区域的检测能力。
总体而言,现有的基于可见光-多光谱技术的松树萎蔫病检测方法在实现能识别不同病程阶段的检测目标方面仍存在四个主要局限。首先,多光谱波段和植被指数的选择往往缺乏来自受控疾病发展过程的生理学依据。其次,早期融合可能会过早地将可见纹理信息与多光谱生理信息混合在一起,导致那些微弱的与疾病相关的光谱特征被占主导地位的RGB纹理模式所掩盖。第三,当双分支或复杂融合模型采用运算强度较高的主干网络时,可能会增加额外的计算负担,从而影响其在无人机监测以及边缘设备部署中的适用性。第四,传统的三尺度检测结构通常对早期感染阶段出现的较小局部症状敏感度较低,尤其是当缺乏高分辨率预测分支时。
为解决这些问题,本研究致力于利用无人机获取的可见光-多光谱影像,实现对受松树萎蔫病感染的树木进行能识别不同病程阶段的检测。与基于图像的疾病阶段分类或连续的症状严重程度评估不同,本研究的目标是同时定位每一棵受感染的树木,并确定其具体的疾病阶段。基于受控接种实验以及多光谱响应分析,我们提出了VMMFNet这一轻量级的双分支可见光-多光谱融合网络。该模型旨在保留微弱的与疾病相关的多光谱特征,减少不同类型的可见光特征与多光谱特征之间的相互干扰,通过轻量级的特征提取方式控制计算复杂度,同时借助多尺度融合和高分辨率预测功能,提升对小型症状区域的检测能力。其轻量级设计旨在支持对大规模无人机拍摄的森林影像进行高效处理,也为未来在边缘设备上的应用奠定基础。
本研究的主要贡献如下:
1. 为了解决在实现能识别不同病程阶段的松树萎蔫病检测时,多光谱输入选择缺乏生理学依据的问题,我们开展了受控的松材线虫接种实验,并结合无人机多光谱监测技术。根据感染过程中由疾病引发的光谱响应特点,我们选择了RedEdge、NIR和NDVI这三种光谱带,并将其与RGB图像结合,构建了一个用于多阶段松树萎蔫病检测的可见光-多光谱数据集。
2. 为减少可见光纹理信息与微弱的多光谱疾病信号之间的相互干扰,我们设计了双分支可见光-多光谱主干网络。其中RGB分支负责提取树冠的结构和纹理信息,而多光谱分支则用于捕捉RedEdge、NIR和NDVI所反映的生理响应,这样就可以在融合之前分别提取这两种类型的特征。
3. 为在保留微弱疾病相关特征的同时控制双分支多光谱检测的计算负担,我们在主干网络中加入了轻量级注意力块(LWABlock)和多尺度注意力聚合(MSAA)模块。LWABlock通过逆向残差学习和深度卷积来减少不必要的计算量,而MSAA则能够增强多尺度空间和通道层面的响应,从而强化那些细微的、与疾病相关的光谱-空间特征。
4. 为了解决在疾病早期感染阶段难以检测到小型局部症状的问题,以及不同病程阶段病症在尺度上存在的差异,我们设计了包含高低层次注意力融合(HLAF)功能的多尺度融合结构,同时还设置了P2–P5多个检测头。HLAF功能能够加强高层语义特征与低层空间细节之间的相互作用,而新增的P2检测头则有助于对小型症状区域进行高分辨率预测。P3–P5检测头则可用于检测在疾病后期更为常见的、规模较大的树冠变色、衰退或坏死区域。
研究区域与数据获取平台
本研究在中国安徽省霍山县(北纬31°07′–31°09′,东经116°09′–116°10′)开展,具体地点为马家河和福子岭两个林场(见图1)。该地区属于亚热带湿润季风气候,年平均气温为15.2℃,年降水量为1450毫米。如此温暖潮湿的气候条件极为有利于松材线虫的繁殖与扩散。研究区域还存在显著的垂直差异……
VMMFNet的整体架构
本节将介绍如图9所示的VMMFNet整体架构。该网络专为实现能识别不同病程阶段的松树萎蔫病检测而设计,其目标是同时定位受感染的树木,并将其分为早期、中期和晚期三类。该网络主要由双分支主干网络、多尺度融合结构以及P2–P5多个检测头组成。
如图9所示的整体架构中,双分支主干网络通过两个独立的流程分别处理RGB图像和多光谱输入数据。
关于可见光-多光谱输入配置的消融研究
为评估不同的植被指数通道对多阶段松树萎蔫病检测的贡献,我们进行了消融研究,测试了多种不同的可见光-多光谱输入组合。在2.4.1节中,根据光谱响应分析结果,我们确定RedEdge和NIR是對疾病敏感的光谱带,而NDVI和NDRE则作为候选的植被指数特征被保留下来。虽然植被指数可以通过原始光谱带通过数学方法计算得出,但明确地提供……
讨论
在本研究中,我们提出了基于无人机的松树萎蔫病多阶段检测模型VMMFNet。与单纯的疾病阶段分类或连续的症状严重程度评估不同,我们所提出的模型旨在同时定位受感染的树冠或症状区域,并确定其具体的疾病阶段,包括早期、中期和晚期。实验结果表明,VMMFNet在检测方面表现出优异的性能,尤其是在识别早期微弱症状方面效果突出,同时还能……
结论
在本研究中,我们通过开展受控的松材线虫接种实验以及无人机多光谱监测工作,为松树萎蔫病的多阶段检测提供了技术支撑。光谱分析显示,RedEdge、NIR、NDVI和NDRE这几种参数对与疾病相关的生理变化较为敏感,而后续的数据集对比则表明,在所测试的条件下,以NDVI为基础的输入组合,即RGB + RedEdge + NIR + NDVI,效果更为理想。基于这一输入组合,我们提出了……
CRediT作者贡献声明
王佳军:撰写——初稿。程冠一:数据整理。王芳:资源提供。周洪平:资源提供。林海峰:撰写——审阅与编辑,项目监督,资金申请,概念构思。
利益冲突声明
作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:林海峰表示获得了南京林业大学的财政资助;同时他还与中国国家自然科学基金会有合作关系,其中包括获得科研经费支持。其他作者则表示自己不存在任何可能影响研究结果的已知财务利益或个人关系。
致谢
本研究得到了中国国家自然科学基金委员会(项目编号32572051)、青蓝工程(2024年度)以及江苏省研究生科研实践创新计划(KYCX25-1458)的资助。
王佳军|程冠一|王芳|周洪平|林海峰
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号